Wikipedia 发布 KGText 数据集, 应用在 知识图谱、自然语言处理 领域

Wikipedia 本次发布的数据集 KGText, 该数据集是一个从维基百科构建的去噪知识基础语料库，包含了基于与知识图谱实体词汇重叠选出的句子-子图对。该数据集用于预训练一个模型，该模型可以针对各种数据到文本生成任务进行微调，且数据集已通过筛选以减少噪音并提升相关性。规模上，我们从原始的1200万维基百科语料库中筛选出了700万“优质”句子。该数据集的任务是进行知识基础的语言模型预训练。

查看KGText

README 内容： 

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。